吐槽猿辅导的秋招经历

在构建AI Agent（智能体）时，如何引导大模型有效完成复杂任务是一个核心问题。当前主流范式主要有两种：ReAct（推理+行动） 和 Planning & Extractor（规划+提取器）。它们都旨在增强模型的自主性和任务执行能力，但在工作流程和适用场景上存在显著差异。本文将通过实例对比两者的异同，帮助企业根据实际需求选择合适范式。一、ReAct范式ReAct由Shunyu Yao等人提出，其核心思想是让模型在生成过程中交替进行“推理”和“行动”。模型会先思考当前状态（Reasoning），然后决定采取什么行动（Acting），如调用工具、查询知识库，之后根据行动结果再次推理，直至...

看到这个颇为震撼，一月二月能有什么坑位啊，只是去年七月有些实习转正的岗位呆满半年了，才在这个阶段会转正，又或者是寒假实习，假期缺人手会释放一些hc并且要求会降低一些但是算不上春招啦，把金三银四的心放进肚子里，好好过年，养精蓄锐再来过啦！！！

bg双非本科，方向是嵌入式。这次秋招一共拿到了 8 个 offer，最高年包 40w，中间也有一段在海康的实习经历，还有几次国家级竞赛。写这篇不是想证明什么，只是想把自己走过的这条路，尽量讲清楚一点，给同样背景的人一个参考。一、我一开始也很迷茫刚决定走嵌入式的时候，其实并没有一个特别清晰的规划。网上的信息很零散，有人说一定要懂底层，有人说项目更重要，也有人建议直接转方向。很多时候都是在怀疑：1.自己这种背景到底有没有机会2.现在学的东西到底有没有用3.是不是已经开始晚了这些问题，我当时一个都没答案。二、现在回头看，我主要做对了这几件事第一，方向尽早确定，但不把自己锁死。我比较早就确定了嵌入式这个大方向，但具体做哪一块，是在项目、竞赛和实习中慢慢调整的，而不是一开始就给自己下结论。第二，用项目和竞赛去“证明能力”，而不是堆技术名词。我不会刻意追求学得多全面，而是确保自己参与的每个项目，都能讲清楚：我负责了什么、遇到了什么问题、最后是怎么解决的。第三，尽早接触真实的工程环境。在海康实习的那段时间，对我触动挺大的。我开始意识到，企业更看重的是代码结构、逻辑清晰度，以及你能不能把事情说清楚，而不只是会不会某个知识点。第四，把秋招当成一个需要长期迭代的过程。简历不是一次写完的，面试表现也不是一次就到位的。我会在每次面试后复盘哪些问题没答好，再针对性补。三、我踩过的一些坑现在看也挺典型的：1.一开始在底层细节上纠结太久，投入产出比不高2.做过项目，但前期不会总结，导致面试表达吃亏3.早期有点害怕面试，准备不充分就去投这些弯路走过之后，才慢慢找到节奏。四、给和我背景相似的人一点建议如果你也是双非，准备走嵌入式，我觉得有几件事挺重要的：1.不用等“准备得差不多了”再投2.项目一定要能讲清楚，而不是做完就算3.不要只盯着技术，多关注表达和逻辑很多时候，差的不是能力，而是呈现方式。五、写在最后这篇总结不是标准答案，只是我个人的一次复盘。后面我会陆续把自己在嵌入式学习、竞赛、实习和秋招中的一些真实经验拆开来讲，希望能对后来的人有点帮助。如果你正好也在这条路上，希望你能少走一点弯路。

岗位名称：大语言模型算法面试时长：1h–1.5h自评分：8/10是否下一轮：是模型架构与基础原理目前主流大语言模型在架构设计上有哪些异同点？（追问）Decoder-only 和 Encoder-Decoder 在实际应用场景上有什么区别？介绍一下大语言模型中的注意力机制，多头相比单头注意力有何优势？（追问）如果减少头数会发生什么？是否一定性能下降？什么是大语言模型的涌现能力？目前对该现象的研究有哪些发现？（追问）涌现能力是否和模型规模线性相关？什么是 Embedding？词嵌入和句嵌入有何不同？（追问）Embedding 层是否会参与微调？为什么？大语言模型中的 Tokenization 是如...